Анализ ноябрьской распродажи в оффере Aliexpress Int.¶

Для анализа будут использованы следующие метрики:

  • avg_purchase_value- среднее ревеню с одного заказа, сумма ревеню / количество заказов за определенный период.
  • avg_purchase_frequency_rate- среднее количество заказов на одного пользователя, количество заказов / количество пользователей за опеределенный период.
  • customer_value- ценность клиента в денежном выражении, фактические сколько мы зарабатываем, средний ревеню с одного клиента, avg_purchase_value * avg_purchase_frequency_rate за опеределенный период. Эта сводная метрика будет показывать нам ценность клиента в "одной цифре", будем активно смотреть эту метрику при сравнении периодов в 2024 и сравнении 2024 и 2023.
  • avg_purchase- средняя сумма одного заказа, GMV / количество заказов за опеределенный период.
  • avg_user_cashback- средний кэшбек на одного юзера, сумма кэшбека / количество пользователей за опеределенный период.

По завершении анализа 2024 года, ниже будет сравнение показателей с 2023 годом.

Будут рассмотрены следующие срезы данных:

  • Процент использования расширения
  • Данные по месяцам
  • Данные по дням в период Ноябрьской распродажи
  • Данные по странам в 2024 году
  • Данные по странам в период Ноябрьской распродажи
  • Данные по уровням пользователей за весь год и в период Ноябрьской распродажи
  • Конверсия из активации в покупку в 2024
  • Доля новых юзеров и их поведение
  • Влияние реактивированных
  • Влияние создателей кэшбек ссылок
In [63]:
df_2024[(df_2024['order_date']>='2024-11-01') & (df_2024['order_date']<='2024-12-04')]['user_id'].nunique()
Out[63]:
5201

Всего в Ноябрьской распродаже в оффере Aliexpress Int. в 2024 году принял участие 5201 пользователей совершивших заказы. Для сравнения в оффере Aliexpress Ru&CIS 16939 пользователей.

Процент заказов через расширение от общего трафика¶

In [73]:
df_2024['traffic_type'] = df_2024['traffic_type'].map({1: 'web', 2: 'extension', 3: 'mobile'})
In [74]:
df_2024['traffic_type'].value_counts()
Out[74]:
traffic_type
mobile       251410
extension    183768
web           34183
Name: count, dtype: int64

Так выглядит распределение по трафику в оффере Aliexpress Int. в 2024 году. Как и в оффере Aliexpress Ru&CIS больше всего трафика идёт через мобильные, на втором месте расширение, меньше всего по вебу.

Количество заказов по каждому каналу трафика по месяцам. Чуть ниже посчитаем процентное соотношение трафика через расширение относительно общего по месяцам в 2024 году.

In [82]:
df_merged
Out[82]:
traffic_type_x month order_count_x traffic_type_y order_count_y traffic_type order_count all
0 extension 1 20755 mobile 29695 web 6335 56785
1 extension 2 14373 mobile 26217 web 6919 47509
2 extension 3 19180 mobile 28932 web 5081 53193
3 extension 4 15586 mobile 20474 web 2488 38548
4 extension 5 15122 mobile 21085 web 3634 39841
5 extension 6 16303 mobile 24779 web 4714 45796
6 extension 7 15546 mobile 24810 web 1513 41869
7 extension 8 10896 mobile 12520 web 700 24116
8 extension 9 4040 mobile 1896 web 177 6113
9 extension 10 12148 mobile 11545 web 443 24136
10 extension 11 28323 mobile 35749 web 1647 65719
11 extension 12 11496 mobile 13708 web 532 25736
In [83]:
df_merged['%_extension_orders'] = df_merged['order_count_x'] / df_merged['all'] * 100
In [84]:
df_merged[['month', '%_extension_orders']]
Out[84]:
month %_extension_orders
0 1 36.550145
1 2 30.253215
2 3 36.057376
3 4 40.432707
4 5 37.955875
5 6 35.599179
6 7 37.130096
7 8 45.181622
8 9 66.088664
9 10 50.331455
10 11 43.097126
11 12 44.668946
In [306]:
df_merged['%_extension_orders'].median()
Out[306]:
39.194290937794534
  • Медиана по использованию расширения относительно общего трафика в 2024 году по офферу Aliexpress Int.- 39.19%. В общем и целом на Aliexpress Int. расширение использовали чуть активнее, чем в Aliexpress Ru&Cis, там медиана- 33.2%
  • Как и по офферу Aliexpress Ru&Cis видим бусты в использовании расширения в Августе, Сентябре и Октябре.
  • Среди месяцев распродаж, наиболее активно расширение использовали в Августе- 45% и Ноябре- 43%. Пиковое значение по проценту использования расширения от общего трафика приходится на Сентябрь- 66%.
In [307]:
sns.barplot(x=df_merged['month'], y=df_merged['%_extension_orders'])
plt.title('etxension traffic % out of total by month')
Out[307]:
Text(0.5, 1.0, 'etxension traffic % out of total by month')

Группировка данных по метрикам по месяцам за 2024 год Aliexpress Int.¶

Сводная таблица показателей по месяцам за 2024 год. Посмотрим как менялись основные метрики на графиках.

In [86]:
df_grouped_2024
Out[86]:
month user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value %_extension_orders
0 1 5062 56785 646799.47 42300.2018 27804.91 14495.2918 0.744919 11.217898 11.390323 5.492870 8.356421 36.550145
1 2 4807 47509 537838.44 34459.7634 22533.13 11926.6334 0.725331 9.883295 11.320770 4.687566 7.168663 30.253215
2 3 5068 53193 679871.12 43584.9846 28127.27 15457.7146 0.819374 10.495856 12.781214 5.549974 8.600036 36.057376
3 4 4271 38548 452335.58 30001.6523 19387.95 10613.7023 0.778293 9.025521 11.734346 4.539440 7.024503 40.432707
4 5 4099 39841 486751.74 31877.7708 22355.86 9521.9108 0.800125 9.719688 12.217357 5.453979 7.776963 37.955875
5 6 4253 45796 609174.27 39205.9725 25306.66 13899.3125 0.856100 10.767929 13.301910 5.950308 9.218428 35.599179
6 7 4106 41869 490049.93 32381.9898 20807.88 11574.1098 0.773412 10.197029 11.704362 5.067677 7.886505 37.130096
7 8 3139 24116 287857.89 18570.5987 11962.98 6607.6187 0.770053 7.682701 11.936386 3.811080 5.916088 45.181622
8 9 1209 6113 103274.45 6251.9939 3952.14 2299.8539 1.022737 5.056245 16.894234 3.268933 5.171211 66.088664
9 10 3111 24136 288795.38 18966.6800 12312.81 6653.8700 0.785825 7.758277 11.965337 3.957830 6.096651 50.331455
10 11 4922 65719 859812.46 55472.0602 35796.58 19675.4802 0.844079 13.352093 13.083164 7.272771 11.270228 43.097126
11 12 3206 25736 326705.25 21388.0434 14273.59 7114.4534 0.831055 8.027449 12.694484 4.452149 6.671255 44.668946
In [161]:
data = [go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['customer_value '], name='customer_value')]
layout = go.Layout(barmode='stack', title= 'Customer value by month Aliexpress Int.', xaxis_title='month', yaxis_title='US dollars$')
fig = go.Figure(data=data, layout=layout)
fig.show()

График показывает изменение customer_value, ценность клиента, по месяцам. Как уже писал выше, эта сводная мерика показывает нам ценность одного клиента в денежном выражении, ревеню и представляет собой производную среднего ревеню с одного заказа и среднего количества заказов на одного пользователя.

  • Пики видим в Январе, Марте, Июне и Ноябре. Пиковое значение в Ноябре, средняя ценность клиента 11.27 USD в месяц.
  • Наиболее провальные месяцы Август, Сентябрь и Октябрь, значени 5.9, 5,17 и 6.0 соответственно.
  • Средний customer value по месяцам за весь 2024 год по офферу Aliexpress Int.- 7.59 USD. Здесь можно отметить, что customer value за тот же период по Aliexpress Ru&CIS 3.27 USD, что на 130% ниже, чем у Aliexpress Int.
  • Стандартная девиация значений по месяцам относительно среднего- 21.7%.
In [313]:
df_grouped_2024['customer_value '].std()
Out[313]:
1.6555642641805814

Посмотрим средний ревеню с одной покупки, частоту и сумму заказов, количество пользователей и уровень их кэшбека

In [229]:
data = [go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['avg_purchase_value'], name='avg_purchase_value')]
layout = go.Layout(barmode='stack', title= 'avg_purchase_value by month Aliexpress Int.', xaxis_title='month', yaxis_title='revenue $ per order')
fig = go.Figure(data=data, layout=layout)
fig.show()

На этом графике видим средний ревеню на один заказ по месяцам.

  • Здесь пики видим в Марте, Июне и Сентябре.
  • Наибольший пик в Сентябре- 1 USD ревеню с одного заказа. Интересно, что customer_value при этом в Сентябре был минимальны за весь год. Так как customer value является производной от среднего дохода с одного заказа и среднего количества заказов на одного пользователя, а текущая метрика на графике это как раз средний доход с одного заказа, то для объяснения ситуации в Сентябре, нужно смотреть количество заказов на пользователи и возможно суммы заказов, а также количество активных пользователей. Возможно в Сентябре мы также увидим минимальное количество заказов, но высокие суммы корзин заказов.
  • Средний ревеню на один заказ по году составляет- 0.81 USD. Ноябрьский показатель чуть выше среднего по году-0.84.
  • Средний ревеню на один заказ в оффере Aliexpress RU&CIS за 2024 год был 0.49 USD.
In [228]:
data = [go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['avg_purchase_frequency_rate'], name='purchase_frequency')]
layout = go.Layout(barmode='stack', title= 'purchase_frequency by month Aliexpress Int.', xaxis_title='month', yaxis_title='orders_per_user')
fig = go.Figure(data=data, layout=layout)
fig.show()

На этом графике видим среднее количество заказов на одного пользователя.

  • Среднее количество заказов на одного пользователя составляет- 9.4 заказов на пользователя. В оффере Aliexpress Ru&Cis за аналогичные период показатель был- 6.6 заказов на одного пользователя.
  • Пиковый показатель по количеству заказов на одного пользователя приходится как раз на время Ноябрьской распродажи- 13.35.
  • Как и предполагалось в Сентябре видим провал по количеству заказов на пользователя, значит скорее всего увидим скачок по сумме корзины в Сентябре, это объяснит скачок по avg_purchase_value в Сентябре при минимально customer_value.
In [227]:
data = [go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['avg_purchase'], name='avg_purchase')]
layout = go.Layout(barmode='stack', title= 'avg_purchase by month Aliexpress Int.', xaxis_title='month', yaxis_title='US dollars$ per order')
fig = go.Figure(data=data, layout=layout)
fig.show()

На этом графике видим среднюю сумму корзины одного заказа.

  • Пик по средней сумме одного заказа приходится на Сентябрь, как и предполагалось. Также небольшие пики видим Марте Июне и Ноябре.
  • Можно отметить, что Август и Октябрь пока выглядит наиболее слабо по метрикам.
  • В отличии от Aliexpress Ru&CIS в Aliexpress Int.по графику видно, что в летние месяцы не были склонны делать дорогие покупки по сравнению с другими месяцами
  • Средняя сумма одного заказа по году 12.58 USD в Aliexpress RU&CIS средняя сумма заказа выше- 17.9 USD.
In [226]:
data = [go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['user_count'], name='user_count')]
layout = go.Layout(barmode='stack', title= 'user_count by month Aliexpress Int.', xaxis_title='month', yaxis_title='users_count')
fig = go.Figure(data=data, layout=layout)
fig.show()

На этом графике видим количество активных пользователей по месяцам.

  • Среднее количество активных пользователей с заказами в месяц по году-3937, в Alixpress Ru&CIS- 14751.
  • В Марте и Ноябре видим пики. Как и в Aliexpress RU&CIS наибольшее значение по году было во время Мартовской распродажи- 5068 пользователей, в Ноябре было 4922, на 2.9% меньше.
  • Как и по большинству мерик, провал с Августа по Октябрь.
In [225]:
data = [go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['avg_user_cashback'], name='cashback USD $')]
layout = go.Layout(barmode='stack', title= 'avg_user_cashback', xaxis_title='month', yaxis_title='cashback USD $')
fig = go.Figure(data=data, layout=layout)
fig.show()

На этом графике средний кэшбек на одного пользователя по месяцам.

  • Больше всего в пересчёте на одного пользователя зарабатывали в Январе, Марте, Июне и Ноябре.
  • Средний кэшбек на одного пользователя по году в месяц- 4.96, в оффере Aliexpress RU&CIS показатель- 2 USD.

Зафиксируем средние значения основных метрик в месяц по году.

  • Средний customer_value- 7.59 USD
  • Средний ревеню с одного заказа- 0.81USD
  • Среднее количество заказов на одного пользователя- 9.43 заказов
  • Средняя сумма корзины- 12.58 USD
  • Средний кэшбек юзера в месяц- 4.96 USD
  • Среднее количество активных пользователей в месяц- 3937.

Сгруппируем те же данные, но по дням во время Ноябрьской распродажи с 2024-11-01 по 2024-12-04, чтобы посмотреть какая была динамика по дням¶

Важно обратить внимание, что в статистике по дням шкала метрик будет отличаться, например в Ноябре при группировке по месяцам средний customer value- 7.59 USD в Ноябре, а если просуммировать все customer value при группировке по дням и посчитать среднее за месяц получиться в среднем 3.25USD в день за месяц. Это связано с тем, что уникальными клиентами при группировке по месяцам считаются уникальные пользователи за месяц, а при группировке по дням считаются уникальные пользователи в конкретный день, то есть если в течении месяца пользователи заказывали несколько раз в разные дни, то один и тот же пользователь будет учтён несколько раз. Это не делает данные недостоверными, просто статистически другая интерпритация за период день, а не месяц.

In [325]:
df_grouped_nov_2024
Out[325]:
order_date user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate customer_value avg_purchase avg_user_cashback
0 2024-11-01 552 2555 44383.03 2920.8789 1900.18 1020.6989 1.143201 4.628623 5.291447 17.371049 3.442355
1 2024-11-02 477 2038 26434.39 1715.6732 1132.20 583.4732 0.841842 4.272537 3.596799 12.970751 2.373585
2 2024-11-03 476 1837 19139.68 1253.9784 811.31 442.6684 0.682623 3.859244 2.634408 10.418987 1.704433
3 2024-11-04 452 1674 20800.21 1340.5757 870.71 469.8657 0.800822 3.703540 2.965875 12.425454 1.926350
4 2024-11-05 458 1940 20747.72 1371.3541 892.01 479.3441 0.706884 4.235808 2.994223 10.694701 1.947620
5 2024-11-06 488 1888 24879.45 1619.1201 1066.17 552.9501 0.857585 3.868852 3.317869 13.177675 2.184775
6 2024-11-07 517 2127 25003.49 1650.9630 1063.11 587.8530 0.776193 4.114120 3.193352 11.755284 2.056306
7 2024-11-08 382 1643 20054.38 1282.2445 838.66 443.5845 0.780429 4.301047 3.356661 12.205953 2.195445
8 2024-11-09 280 989 9046.71 620.7892 411.37 209.4192 0.627694 3.532143 2.217104 9.147331 1.469179
9 2024-11-10 268 738 7327.60 487.9713 308.79 179.1813 0.661208 2.753731 1.820788 9.928997 1.152201
10 2024-11-11 1162 5740 88409.43 5356.6748 3449.69 1906.9848 0.933219 4.939759 4.609875 15.402340 2.968752
11 2024-11-12 855 3725 53302.79 3268.1107 2083.10 1185.0107 0.877345 4.356725 3.822352 14.309474 2.436374
12 2024-11-13 678 2825 37134.13 2438.8557 1571.40 867.4557 0.863312 4.166667 3.597132 13.144825 2.317699
13 2024-11-14 663 2604 38446.39 2461.1553 1601.82 859.3353 0.945144 3.927602 3.712150 14.764359 2.416018
14 2024-11-15 620 2536 33419.94 2090.6588 1345.44 745.2188 0.824392 4.090323 3.372030 13.178210 2.170065
15 2024-11-16 640 2520 31000.22 2025.3883 1302.96 722.4283 0.803726 3.937500 3.164669 12.301675 2.035875
16 2024-11-17 613 2473 25174.95 1652.2856 1073.57 578.7156 0.668130 4.034258 2.695409 10.179923 1.751338
17 2024-11-18 734 3311 41313.79 2688.8351 1734.00 954.8351 0.812092 4.510899 3.663263 12.477738 2.362398
18 2024-11-19 547 2252 30807.00 2065.1926 1330.56 734.6326 0.917048 4.117002 3.775489 13.679840 2.432468
19 2024-11-20 281 888 9257.74 646.2642 416.18 230.0842 0.727775 3.160142 2.299873 10.425383 1.481068
20 2024-11-21 266 804 8140.11 556.6090 349.56 207.0490 0.692300 3.022556 2.092515 10.124515 1.314135
21 2024-11-22 720 2931 42776.81 2797.2064 1763.57 1033.6364 0.954352 4.070833 3.885009 14.594613 2.449403
22 2024-11-23 578 2138 22354.01 1520.0412 975.00 545.0412 0.710964 3.698962 2.629829 10.455571 1.686851
23 2024-11-24 521 2033 22714.85 1468.9637 950.26 518.7037 0.722560 3.902111 2.819508 11.173069 1.823916
24 2024-11-25 540 2026 24654.91 1598.3096 1035.10 563.2096 0.788899 3.751852 2.959833 12.169255 1.916852
25 2024-11-26 518 1840 27770.22 1774.2354 1137.15 637.0854 0.964258 3.552124 3.425165 15.092511 2.195270
26 2024-11-27 491 1656 25286.27 1527.8300 990.13 537.7000 0.922603 3.372709 3.111670 15.269487 2.016558
27 2024-11-28 501 1827 22452.71 1502.7149 971.26 531.4549 0.822504 3.646707 2.999431 12.289387 1.938643
28 2024-11-29 555 2062 27208.57 1799.6940 1140.63 659.0640 0.872790 3.715315 3.242692 13.195233 2.055189
29 2024-11-30 517 2099 30370.96 1969.4865 1280.69 688.7965 0.938298 4.059961 3.809452 14.469252 2.477157
30 2024-12-01 523 2036 23161.96 1499.3510 964.81 534.5410 0.736420 3.892925 2.866828 11.376208 1.844761
31 2024-12-02 580 2218 29815.54 1908.8587 1228.91 679.9487 0.860622 3.824138 3.291136 13.442534 2.118810
32 2024-12-03 635 2779 38241.09 2510.3645 1625.04 885.3245 0.903334 4.376378 3.953330 13.760738 2.559118
33 2024-12-04 537 1988 26738.17 1786.3506 1157.66 628.6906 0.898567 3.702048 3.326537 13.449784 2.155791
In [224]:
data = [go.Scatter(x=df_grouped_nov_2024['order_date'], y=df_grouped_nov_2024['customer_value '], name='customer_value')]
layout = go.Layout(barmode='stack', title= 'Customer value by day Aliexpress Int.', xaxis_title='day', yaxis_title='US dollars$')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • По customer value в период Ноябрьских распродаж видим наиболее активные дни, это- 1, 6, 8, 11, 14, 18, 19, 22, 26, 30 Ноября и 3 Декабярь т.е. для нас в эти даты заработок с клиента был максимальный.
  • В пике 01.11 наш ревеню с одного клиента в день составлял 5.29USD, второй пик 11 Ноября- 4.6USD.
  • Графики по частоте заказов, среднему ревеню с заказа, средней суммы корзины практически идентично повторяют динамику данного графика, что говорит нам о том, что в течении Ноябрьской распродажи есть чёткая зависимость между всеми этими показателями.
  • Средний cutomer value по дням 3.25USD на пользователя, в оффере Aliexpress Ru&CIS показатель был 1.19USD.
In [223]:
data = [go.Scatter(x=df_grouped_nov_2024['order_date'], y=df_grouped_nov_2024['user_count'], name='user_count')]
layout = go.Layout(barmode='stack', title= 'user_count by day', xaxis_title='day', yaxis_title='users_count')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • Это график количества активных пользователей по дням в течении Ноябрьской распродажи, из интересного здесь стоит обратить внимание, что пик приходится на 11 Ноября- 1162 активных пользователя.
  • Также стоит сказать, что динамика графика активных пользователей по дням во время Ноябрьской распродажи, практически идентичны повторяет формы и перепады графика по активным пользователям в оффере Aliexpress RU&CIS.

Наши метрики по дням по время Ноябрьской распродажи Aliexpress Int.

In [331]:
df_grouped_nov_2024['customer_value '].mean()
Out[331]:
3.2504030610403056
In [332]:
df_grouped_nov_2024['avg_purchase_value'].mean()
Out[332]:
0.8246803401108906
In [333]:
df_grouped_nov_2024['avg_purchase_frequency_rate'].mean()
Out[333]:
3.9146806295207623
In [334]:
df_grouped_nov_2024['avg_purchase'].mean()
Out[334]:
12.671238307172448
In [335]:
df_grouped_nov_2024['avg_user_cashback'].mean()
Out[335]:
2.0993163666110415

Сгрупируем те же данные по странам, чтобы оценить эффективность каждой страны как канала продаж. Посмотрим ситуацию за весь год, а также отдельно по Ноябрю.¶

In [339]:
df_grouped_country_2024[['country', 'user_count', 'revenue_sum', 'avg_purchase_value', 'avg_purchase_frequency_rate','avg_purchase', 'avg_user_cashback', 'customer_value' ]].sort_values(by='revenue_sum', ascending=False).head(10).reset_index()
Out[339]:
index country user_count revenue_sum avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 130 UA 2668 80586.2569 1.019021 29.640930 15.672755 20.033205 30.204744
1 139 VN 90 24945.1800 0.776963 356.733333 11.061949 186.647222 277.168667
2 21 BR 203 24345.2100 1.050449 114.167488 15.032255 76.946847 119.927143
3 58 IL 766 22895.4272 0.691496 43.224543 10.284111 19.390144 29.889592
4 17 BG 641 15360.4500 0.780630 30.697348 11.726527 15.552637 23.963261
5 76 LT 581 11942.1800 0.779465 26.370052 11.525819 13.282031 20.554527
6 78 LV 688 9720.7350 0.579754 24.370640 8.893707 9.016701 14.128975
7 90 MX 209 9421.6220 1.110647 40.588517 16.920905 29.321531 45.079531
8 133 US 310 7329.1798 0.539505 43.822581 8.503602 14.890000 23.642515
9 40 ES 462 7032.5100 0.498937 30.508658 7.788748 9.980866 15.221883

В таблице топ 10 стран по ревеню в 2024 году.

  • В оффере Aliexpress Int., несмотря на то, что Украина является лидером по ревеню, с точки зрения ценности клиента для нас, по метрике Customer value в ТОП-10 она занимает только 4 место, с показателем ценности клиента- 30.2 USD. Что означает, что частота заказов на клиента и/или ревеню c заказа, в других странах выше. Тем не менее у Украины среди топ 10 второй, после Мексики, показатель по средней сумме корзины- 15.67, и второй, после Мексики, показатель по среднему ревеню с одного заказа- 1.02.
  • На первом месте по показателю Customer Value, с большим отрывом Вьетнам- 277.16 USD. Тут бросается в глаза, что за 2024 год в этой стране по офферу Aliexpress Int.было всего 90 активных пользователей, которые тем не менее принесли ревеню 24945 USD, что является вторым показателем по ревеню, при том, что в Украине 2668 активных пользователей. Вьетнам также в абсолютных лидерах по метрике avg_purchase_frequency_rate, с показателем, в среднем, 356 заказов на пользователя за год.
  • На втором местепо показателю Customer Value Бразилия- 119.93 USD. Бразилия также имеет высокий показатель среднего количества заказов на пользователя- 114, также третий показатель по средней сумме корзины- 15.03, и второй показатель, по заработку с одного заказа- 1.05.
  • На третьем местепо показателю Customer Value Мексика- 45.07 USD. Страна имеет наивысший показатель по средней сумме корзины- 16.92, также занимает первое место по ревеню с одного заказа- 1.11.

Отдельно посмотрим GMV, ревеню, количество заказов и пользователей по месяцам по Вьетнаму, Бразилии и Мексике.

  • Вьетнам
In [340]:
df_2024[df_2024['country']=='VN'].groupby('month').agg(GMV=('GMV', 'sum'), Revenue=('Revenue', 'sum'), order_count = ('order_number', 'nunique'), user_count=('user_id', 'nunique'))
Out[340]:
GMV Revenue order_count user_count
month
1 11537.38 799.96 725 37
2 19542.08 1344.95 1399 44
3 46823.60 3250.32 4041 48
4 40789.27 2800.18 3671 45
5 42157.97 2875.77 3754 49
6 31118.48 2156.20 2791 41
7 22137.21 1539.01 2312 43
8 28300.72 1980.58 2617 48
9 19404.55 1404.80 1715 39
10 31568.10 2243.58 2881 51
11 40468.87 3020.31 4031 47
12 21306.70 1529.52 2169 41
  • Бразилия
In [342]:
df_2024[df_2024['country']=='BR'].groupby('month').agg(GMV=('GMV', 'sum'), Revenue=('Revenue', 'sum'), order_count = ('order_number', 'nunique'), user_count=('user_id', 'nunique'))
Out[342]:
GMV Revenue order_count user_count
month
1 18566.20 1275.27 620 38
2 50657.92 3355.00 2064 68
3 41193.87 3000.73 2695 78
4 29356.47 2145.50 2136 68
5 31111.35 2283.36 2141 63
6 64872.00 4416.14 4599 77
7 41209.72 3029.93 3855 92
8 16033.43 1145.61 1847 55
9 3493.36 239.59 259 24
10 16316.47 1100.16 1177 60
11 25178.00 1647.60 1422 70
12 10398.76 706.32 361 51
  • Мексика
In [343]:
df_2024[df_2024['country']=='MX'].groupby('month').agg(GMV=('GMV', 'sum'), Revenue=('Revenue', 'sum'), order_count = ('order_number', 'nunique'), user_count=('user_id', 'nunique'))
Out[343]:
GMV Revenue order_count user_count
month
1 4234.25 278.790 230 34
2 15755.18 1082.850 961 70
3 22571.98 1430.300 1291 73
4 11438.97 699.220 618 63
5 18331.41 1120.870 818 75
6 19783.22 1305.230 1103 83
7 9085.02 614.360 782 74
8 7919.79 546.340 613 67
9 1057.24 75.260 54 16
10 3630.69 251.240 344 44
11 19568.04 1316.872 1126 74
12 10164.25 700.290 543 50

По GMV, Revenue и количеству заказов прослеживаются четкие пики по месяцам.

  • Пиковые месяцы у Вьетнама- Март, Апрель, Май, Июнь, Октябрь, Ноябрь
  • Бразилия- С Февраля по Июль и Ноябрь.
  • Мексика- С Февраля по Июнь и Ноябрь.

Теперь сгруппируем данные по странам отдельно по Ноябрю

In [346]:
df_grouped_country_nov_2024[['country', 'user_count', 'revenue_sum', 'avg_purchase_value', 'avg_purchase_frequency_rate','avg_purchase', 'avg_user_cashback', 'customer_value' ]].sort_values(by='revenue_sum', ascending=False).head(10).reset_index()
Out[346]:
index country user_count revenue_sum avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 106 UA 1207 13531.0246 1.088490 10.299089 16.826017 7.335551 11.210459
1 48 IL 413 3823.4872 0.672912 13.757869 9.990111 5.851719 9.257838
2 111 VN 48 3446.2400 0.725830 98.916667 9.730666 45.886250 71.796667
3 12 BG 307 2405.7300 0.845302 9.270358 12.289803 4.994919 7.836254
4 62 LT 280 2405.6900 1.007408 8.528571 15.025791 5.522107 8.591750
5 16 BR 75 1816.0500 1.161900 20.840000 17.790774 16.010533 24.214000
6 74 MX 84 1803.2320 1.238484 17.333333 18.254258 14.167262 21.467048
7 108 US 95 1425.6800 0.687075 21.842105 10.606761 8.814737 15.007158
8 64 LV 286 1286.2100 0.560929 8.017483 8.600375 2.794196 4.497238
9 87 PS 20 1175.1200 0.942358 62.350000 13.854747 40.016500 58.756000
  • Во время Ноябрьской распродажи на оффере Aliexpress Int. первое место по ревеню, так как и в общем по году, у Украины. При этом по ценности клиента во время Ноябрьских, Украина только на 6 месте с показателем- 11.21 USD с пользователя.
  • На первом месте по Customer value- Вьетнам- 71.79 USD с пользователя. Во время Ноябрьской акции в этой стране было активно только 48 пользователей, при этом частота заказов в среднем 98.9 заказов на пользователя.
  • На втором месте по Customer value- Палестина- 58.75 USD. Также высокий показатель по частоте заказов- 62.3 заказов на пользователя и всего 20 активных пользователей.
  • На третьем месте по Customer Value- Бразилия- 24.2 USD. Бразилия также занимает второе место, после Мексики, по ревеню с одного заказа- 1.16.
  • На четвертом месте по Customer Value- Мексика- 21.4 USD. Мексика первая по ревеню с одного заказа- 1.24.
  • На пятом месте по Customer Value- США- 15.0 USD.

По итогу анализа метрик по странам, Вьетнам, Бразилия и Мексика представляют из себе весьма интересные гео, для дальнейшей работы с ними и изучения

Сгрупируем те же данные по уровню пользователя и посмотрим показатели пользователей с разным уровнем.¶

Сначала посмотрим статистику по уровням за весь год, затем отдельно по Ноябрю в период распродаж

In [129]:
df_grouped_level_2024 = df_2024.groupby(['level']).agg(user_count = ('user_id', 'nunique'), order_count = ('order_number', 'nunique'), 
                               GMV_sum = ('GMV', 'sum'), revenue_sum = ('Revenue', 'sum'), 
                               user_com_sum = ('users_comission', 'sum')).reset_index()
In [136]:
df_grouped_level_2024
Out[136]:
level user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 1 1345 7049 87792.12 5440.5807 2711.21 2729.3707 0.771823 5.240892 12.454550 2.015770 4.045041
1 2 419 3314 27080.26 1548.5895 783.38 765.2095 0.467287 7.909308 8.171473 1.869642 3.695918
2 3 678 6690 55158.19 3353.7778 1763.23 1590.5478 0.501312 9.867257 8.244871 2.600634 4.946575
3 4 1588 22552 185508.43 11454.7221 6390.56 5064.1621 0.507925 14.201511 8.225808 4.024282 7.213301
4 5 4038 119035 1034312.94 66406.6345 40690.59 25716.0445 0.557875 29.478702 8.689150 10.076917 16.445427
5 6 2248 174286 2422365.97 155845.9034 102729.98 53115.9234 0.894196 77.529359 13.898798 45.698390 69.326469
6 7 1150 136435 1957048.07 130411.5034 89552.81 40858.6934 0.955851 118.639130 14.344179 77.872009 113.401307

Посмотрим customer value по уровням на графике.

In [222]:
data = [go.Scatter(x=df_grouped_level_2024['level'], y=df_grouped_level_2024['customer_value'], name='customer_value')]
layout = go.Layout(barmode='stack', title= 'Customer value by lvl Aliexpress Int.', xaxis_title='level', yaxis_title='US dollars$')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • По уровням всё ожидаемо, чем выше уровень, тем выше все метрики по этим пользователям, поэтому кроме customer value здесь нет смысла что-то ещё смотреть.
  • Из интересного здесь стоит отметить, что в отличии от Aliexpress RU&CIS здесь нет падение ни по одной из метрик к 7 уровню, то есть эта группа пользователей максимально ценна, с точки зрения заработка с клиента.
  • По количеству пользователей здесь как и ожидалось, самая многочисленная группа 5 уровень. Можно отметить, что количество пользователей на 6 уровне, относительно других, не так мало как в Aliexpress RU&CIS, здесь эта группа по количеству поользователей на втором месте.
  • Пользователи 6 уровня принесли больше всего ревеню за год по Aliexpress Int.

Группировка по уровню Ноябрь

In [348]:
df_grouped_level_nov_2024
Out[348]:
level user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate customer_value
0 1 448 2956 40851.36 2618.8825 1287.91 1330.9725 0.885955 6.598214 5.845720
1 2 89 791 8315.30 480.7561 248.41 232.3461 0.607783 8.887640 5.401754
2 3 158 1284 12687.82 784.7429 438.86 345.8829 0.611170 8.126582 4.966727
3 4 520 3591 33103.82 1994.4176 1149.77 844.6476 0.555393 6.905769 3.835418
4 5 1976 21219 202172.89 12971.9967 7971.74 5000.2567 0.611339 10.738360 6.564776
5 6 1425 28191 406462.65 25925.5178 17003.05 8922.4678 0.919638 19.783158 18.193346
6 7 585 16708 274175.38 18400.6714 12673.26 5727.4114 1.101309 28.560684 31.454139
  • При изучении пользователей по уровню отдельно в Ноябре, по офферу Aliexpress Int. нету характерных отличий от общей статистики по году.
  • Также нету падения по ценности клиента к 7 уровню.

Конверсия из активации в покупку¶

In [146]:
df_2024_all['order_number'].nunique() / df_2024_all['activations'].nunique()
Out[146]:
0.29913421430824777

Средняя конверсия за весь 2024 год по офферу Aliexpress Int. составила 29.9%

In [147]:
df_conversion_2024 = df_2024_all.groupby(['month']).agg(order_count=('order_number', 'nunique'), activation_count=('activations', 'nunique')).reset_index()
In [148]:
df_conversion_2024['%_conversion'] = df_conversion_2024['order_count'] / df_conversion_2024['activation_count'] * 100
In [149]:
df_conversion_2024
Out[149]:
month order_count activation_count %_conversion
0 1 57085 128557 44.404428
1 2 47485 108871 43.615839
2 3 53116 125001 42.492460
3 4 38582 111153 34.710714
4 5 40990 98825 41.477359
5 6 44637 113511 39.323942
6 7 41952 83074 50.499555
7 8 23858 156818 15.213815
8 9 6145 194312 3.162440
9 10 24552 173282 14.168812
10 11 65557 192488 34.057707
11 12 25411 83203 30.540966
In [349]:
sns.barplot(x=df_conversion_2024['month'], y=df_conversion_2024['%_conversion'])
plt.title('%_Conversion')
Out[349]:
Text(0.5, 1.0, '%_Conversion')
  • Расчётно средняя конверсия за 2024 год по офферу Aliexpress Int. 29.9% против 27.4% по офферу Aliexpress Ru&CIS. Однако из-за технического сбоя в оффеере в Сентябре конверсия упала до 3%, что статистически влияет на среднее значение, то есть можем предположить, что конверсия в 2024 году по офферу Aliexpress Int. выше. Если посчитать среднее без учёта Сентября, то средняя конверсия получается ~ 35.5%
  • Пиковое значение конверсии в Июле- 50.5%
In [350]:
df_conversion_2024[df_conversion_2024['month'] != 9]['%_conversion'].mean()
Out[350]:
35.50050875002477

Посмотрим отдельно конверсию по дням, в дни Ноябрьской распродажи с 2024-11-01 по 2024-12-04

In [151]:
df_conversion_nov_2024 = df_2024_all[(df_2024_all['activation_date']>='2024-11-01') & (df_2024_all['activation_date']<='2024-12-04')].groupby(['activation_date']).agg(order_count=('order_number', 'nunique'), activation_count=('activations', 'nunique')).reset_index()
In [152]:
df_conversion_nov_2024['%_conversion'] = df_conversion_nov_2024['order_count'] / df_conversion_nov_2024['activation_count'] * 100
In [351]:
df_conversion_nov_2024
Out[351]:
activation_date order_count activation_count %_conversion
0 2024-11-01 2525 6562 38.479122
1 2024-11-02 1966 5690 34.551845
2 2024-11-03 1847 5629 32.812222
3 2024-11-04 1765 6094 28.962914
4 2024-11-05 1894 5750 32.939130
5 2024-11-06 1869 6013 31.082654
6 2024-11-07 2168 5696 38.061798
7 2024-11-08 1754 5368 32.675112
8 2024-11-09 1274 4822 26.420572
9 2024-11-10 1312 5110 25.675147
10 2024-11-11 5739 11779 48.722302
11 2024-11-12 3161 9216 34.299045
12 2024-11-13 2627 7463 35.200322
13 2024-11-14 2514 7362 34.148329
14 2024-11-15 2432 6848 35.514019
15 2024-11-16 2495 6786 36.766873
16 2024-11-17 2602 6413 40.573834
17 2024-11-18 3294 7549 43.634919
18 2024-11-19 2267 6374 35.566363
19 2024-11-20 1069 5300 20.169811
20 2024-11-21 1246 5093 24.464952
21 2024-11-22 2523 7529 33.510426
22 2024-11-23 1906 5748 33.159360
23 2024-11-24 2027 5986 33.862345
24 2024-11-25 1883 6284 29.964990
25 2024-11-26 1751 5910 29.627750
26 2024-11-27 1712 6633 25.810342
27 2024-11-28 1811 5917 30.606726
28 2024-11-29 2041 5935 34.389217
29 2024-11-30 2083 5629 37.004797
30 2024-12-01 2071 5491 37.716263
31 2024-12-02 2330 6151 37.880020
32 2024-12-03 2721 6455 42.153369
33 2024-12-04 1879 5904 31.825881
In [221]:
data = [go.Scatter(x=df_conversion_nov_2024['activation_date'], y=df_conversion_nov_2024['%_conversion'], name='conversion')]
layout = go.Layout(barmode='stack', title= '%_conversion_Nov', xaxis_title='days', yaxis_title='%')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • Конверсия за весь период Ноябрьских распродаж в оффере Aliexpress Int. не имеет тенденцию к увеличению к концу распродаж, как в оффере Aliexpress Ru&CIS.
  • Наиболее ярко выраженные пиковые значения конверсий, 1 Ноября- 38.48%, 7 Ноября- 38.06%, 11 Ноября- 48.72%, 18 Ноября- 43.63%, 24 Ноября- 33.86%, 3 Декабря- 42.15%.
  • Наиболее ярко выраженные провалы конверсий, 4 Ноября 28.96%, 9-10 Ноября 26.4-25.6%, 20 Ноября 20.17%, 27 Ноября- 25.81%.
  • Средняя конверсия за Ноябрь по офферу Aliexpress Int. составила- 33.77%.
In [354]:
df_conversion_nov_2024['%_conversion'].mean()
Out[354]:
33.7715521557841

Доля новых юзеров и их поведение¶

In [154]:
df_2024_all[(df_2024_all['reg_date'] >= '2024-11-01') & (df_2024_all['reg_date'] <= '2024-12-04')]['user_id'].nunique()
Out[154]:
873
In [155]:
873 / 5201 * 100
Out[155]:
16.78523360892136

Во время Ноябрьской распродажи принял участие 873 новых пользователя, новые пользователи составили 16.7% от общего числа пользователей совершивших заказы. В Aliexpress RU&CIS этот показатель 9.2%.

Поведение новых пользователей во время Ноябрьской распродажи.¶

In [164]:
df_new_users_nov_2024
Out[164]:
order_date user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 2024-11-01 2 6 79.59 3.8100 1.76 2.0500 0.635000 3.000000 13.265000 0.880000 1.905000
1 2024-11-02 1 3 1.73 0.1100 0.06 0.0500 0.036667 3.000000 0.576667 0.060000 0.110000
2 2024-11-03 3 6 94.10 6.5600 3.28 3.2800 1.093333 2.000000 15.683333 1.093333 2.186667
3 2024-11-04 6 15 131.04 9.0900 4.19 4.9000 0.606000 2.500000 8.736000 0.698333 1.515000
4 2024-11-05 1 1 13.51 0.9400 0.50 0.4400 0.940000 1.000000 13.510000 0.500000 0.940000
5 2024-11-06 2 8 182.33 12.3600 5.93 6.4300 1.545000 4.000000 22.791250 2.965000 6.180000
6 2024-11-07 1 1 0.04 0.0100 0.01 0.0000 0.010000 1.000000 0.040000 0.010000 0.010000
7 2024-11-08 4 11 119.86 8.3300 3.97 4.3600 0.757273 2.750000 10.896364 0.992500 2.082500
8 2024-11-09 2 7 38.41 2.5800 1.18 1.4000 0.368571 3.500000 5.487143 0.590000 1.290000
9 2024-11-10 4 4 22.51 1.5100 0.71 0.8000 0.377500 1.000000 5.627500 0.177500 0.377500
10 2024-11-11 15 42 2288.87 88.7662 48.20 40.5662 2.113481 2.800000 54.496905 3.213333 5.917747
11 2024-11-12 9 37 584.69 35.3023 16.46 18.8423 0.954116 4.111111 15.802432 1.828889 3.922478
12 2024-11-13 10 27 465.85 32.1900 17.30 14.8900 1.192222 2.700000 17.253704 1.730000 3.219000
13 2024-11-14 8 30 610.18 38.8607 19.03 19.8307 1.295357 3.750000 20.339333 2.378750 4.857588
14 2024-11-15 9 28 1271.46 19.8918 9.97 9.9218 0.710421 3.111111 45.409286 1.107778 2.210200
15 2024-11-16 4 23 442.66 30.8300 14.73 16.1000 1.340435 5.750000 19.246087 3.682500 7.707500
16 2024-11-17 3 9 71.98 5.0000 2.55 2.4500 0.555556 3.000000 7.997778 0.850000 1.666667
17 2024-11-18 11 46 1508.19 71.4600 34.14 37.3200 1.553478 4.181818 32.786739 3.103636 6.496364
18 2024-11-19 5 19 214.09 15.7300 7.69 8.0400 0.827895 3.800000 11.267895 1.538000 3.146000
19 2024-11-20 5 10 62.44 4.3200 2.19 2.1300 0.432000 2.000000 6.244000 0.438000 0.864000
20 2024-11-21 3 3 13.19 0.9100 0.41 0.5000 0.303333 1.000000 4.396667 0.136667 0.303333
21 2024-11-22 10 51 535.31 36.3700 17.22 19.1500 0.713137 5.100000 10.496275 1.722000 3.637000
22 2024-11-23 10 51 386.61 26.4400 12.52 13.9200 0.518431 5.100000 7.580588 1.252000 2.644000
23 2024-11-24 10 26 241.09 15.0500 7.69 7.3600 0.578846 2.600000 9.272692 0.769000 1.505000
24 2024-11-25 7 22 236.93 16.2200 7.97 8.2500 0.737273 3.142857 10.769545 1.138571 2.317143
25 2024-11-26 7 29 442.88 24.7900 11.85 12.9400 0.854828 4.142857 15.271724 1.692857 3.541429
26 2024-11-27 9 24 511.80 35.3700 18.81 16.5600 1.473750 2.666667 21.325000 2.090000 3.930000
27 2024-11-28 4 25 369.03 25.0500 12.66 12.3900 1.002000 6.250000 14.761200 3.165000 6.262500
28 2024-11-29 7 19 769.52 53.6300 25.97 27.6600 2.822632 2.714286 40.501053 3.710000 7.661429
29 2024-11-30 8 26 168.01 11.8000 5.53 6.2700 0.453846 3.250000 6.461923 0.691250 1.475000
30 2024-12-01 10 20 108.28 7.5100 3.72 3.7900 0.375500 2.000000 5.414000 0.372000 0.751000
31 2024-12-02 8 15 1168.67 67.1900 35.34 31.8500 4.479333 1.875000 77.911333 4.417500 8.398750
32 2024-12-03 5 23 145.22 10.0300 4.95 5.0800 0.436087 4.600000 6.313913 0.990000 2.006000
33 2024-12-04 9 33 312.40 24.7400 10.99 13.7500 0.749697 3.666667 9.466667 1.221111 2.748889
In [356]:
df_new_users_nov_2024['avg_purchase_value'].mean()
Out[356]:
0.9659705411245065
  • Средний доход с одного заказа у новых юзеров 0.96 USD
  • Аналогичный показатель по всем пользователям при группировке по дням- 0.82 USD Сумма и/или количество заказов у новых пользователей видимо выше чем такие же средние показатели по всем пользователям, что в результате даёт по ним средний показатель дохода с одного заказа выше на 17%.
In [358]:
df_new_users_nov_2024['avg_purchase_frequency_rate'].mean()
Out[358]:
3.1488933452168744
  • Средняя частота заказов по новым пользователям- 3.14 заказов на одного пользователя
  • Аналогичный показатель по всем пользователям при группировке по дням- 3.91
  • Этот показатель выше в общей статистике по пользователям.
In [359]:
df_new_users_nov_2024['customer_value'].mean()
Out[359]:
3.05252003342246
  • Средняя ценность одного нового юзера в день- 3.05USD
  • Аналогичный показатель по всем пользователям при группировке по дням- 3.25USD
  • Общий сводный показатель выше в общей статистике по пользователям

В отличии от оффера Aliexpress RU&CIS, здесь мы не видим превосходящих метрик по новым пользователям относительно метрик по пользователям в целом

Влияние кэшбек ссылок¶

In [171]:
df_2024[df_2024['cashback_link_count'] >= 1]['user_id'].drop_duplicates()
Out[171]:
1         2584994
12        3100571
17         840196
18        2444755
24         843295
           ...   
459657    1508985
462375    3031548
463409     298967
468286    1307418
468701    1243889
Name: user_id, Length: 2970, dtype: int64
In [172]:
df_2024[df_2024['cashback_link_count'] >= 50]['user_id'].drop_duplicates()
Out[172]:
17         840196
414         25794
662        856755
766       2652988
826       2444191
           ...   
412928    2786363
415143    2364298
417981     611529
420320    2875573
420377    2476058
Name: user_id, Length: 167, dtype: int64

Всего создателей кэшбек ссылок на оффере Aliexpress Int в 2024 году- 2970 пользователей, из них 167 пользователей создали боее 50 кэшбек ссылок за год.

In [173]:
df_2024[(df_2024['cashback_link_count'].notna()) & (df_2024['order_date']>= '2024-11-01') 
        & (df_2024['order_date']<= '2024-12-04')]['user_id'].nunique()
Out[173]:
1539
In [174]:
1539 / 2970 * 100
Out[174]:
51.81818181818182
  • Только 51.8% пользователей, создателей кб ссылок, от общего числа в 2024 году, учавствовали в Ноябрьской распродаже.
  • В Aliexpress RU&CIS аналогичный показатель- 40.3%.
In [360]:
df_grouped_cb_link
Out[360]:
month user_count order_count GMV_sum revenue_sum user_com_sum
0 1 1631 22742 263414.97 16847.2035 11222.44
1 2 1487 17515 213214.91 13097.1802 8743.79
2 3 1569 21231 293722.47 18028.2521 11925.85
3 4 1326 15261 186305.53 12003.6766 7987.00
4 5 1288 16070 191307.36 12372.0372 8913.93
5 6 1378 18827 251265.30 16057.6140 10594.55
6 7 1353 16496 200545.87 13133.5880 8618.58
7 8 1016 9097 106585.57 6918.8783 4488.88
8 9 397 2197 39556.22 2289.5742 1474.28
9 10 978 7828 99965.95 6605.0102 4330.61
10 11 1483 22268 325042.92 20978.9063 13742.89
11 12 994 8654 114603.43 7405.3981 5027.87
In [177]:
df_grouped_cb_link['revenue_sum'].sum() / df_grouped_2024['revenue_sum'].sum() * 100
Out[177]:
38.91915094740444

По ревеню создатели кб ссылок в общем составили 38.9% от общего ревеню в 2024 году по офферу Aliexpress Int.

Реактивированные пользователи¶

In [183]:
df_reactivated[(df_reactivated['date']>='2024-11-01') & (df_reactivated['date']<='2024-12-04')]['user_id'].nunique()
Out[183]:
3623
In [184]:
df_2024_nov = df_2024[(df_2024['order_date']>='2024-11-01') & (df_2024['order_date']<='2024-12-04')]
In [185]:
df_2024_nov[df_2024_nov['user_id'].isin(df_reactivated['user_id'])]['user_id'].nunique()
Out[185]:
671
In [186]:
671 / 3623 *100
Out[186]:
18.520563069279603
  • 671 из 3623 (18%) реактивировавшихся в период с 2024-11-01 по 2024-12-04, приняли участие в Ноябрьской распродаже в оффере Aliexpress Int.
  • 2560 в оффере Ru&Cis.

Посмотрим активность реактивированных по тем же метрикам в течении периода распродаж.

In [361]:
df_reactivated_grouped
Out[361]:
order_date user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 2024-11-01 45 185 2285.36 148.9488 92.03 56.9188 0.805129 4.111111 12.353297 2.045111 3.309973
1 2024-11-02 48 191 2863.60 201.2288 129.71 71.5188 1.053554 3.979167 14.992670 2.702292 4.192267
2 2024-11-03 37 155 1358.12 77.7438 48.95 28.7938 0.501573 4.189189 8.762065 1.322973 2.101184
3 2024-11-04 23 66 2123.67 156.5800 100.80 55.7800 2.372424 2.869565 32.176818 4.382609 6.807826
4 2024-11-05 49 169 2147.15 143.3129 99.82 43.4929 0.848005 3.448980 12.705030 2.037143 2.924753
5 2024-11-06 44 114 2650.84 152.5600 97.96 54.6000 1.338246 2.590909 23.252982 2.226364 3.467273
6 2024-11-07 42 188 1512.49 90.7798 55.38 35.3998 0.482871 4.476190 8.045160 1.318571 2.161424
7 2024-11-08 40 159 1579.53 99.5242 60.37 39.1542 0.625938 3.975000 9.934151 1.509250 2.488105
8 2024-11-09 25 75 794.79 52.6955 33.84 18.8555 0.702607 3.000000 10.597200 1.353600 2.107820
9 2024-11-10 18 52 318.63 22.0400 13.36 8.6800 0.423846 2.888889 6.127500 0.742222 1.224444
10 2024-11-11 111 566 8787.22 422.7193 261.78 160.9393 0.746854 5.099099 15.525124 2.358378 3.808282
11 2024-11-12 82 354 4526.46 278.7402 167.59 111.1502 0.787402 4.317073 12.786610 2.043780 3.399271
12 2024-11-13 51 233 2836.17 193.5732 120.81 72.7632 0.830786 4.568627 12.172403 2.368824 3.795553
13 2024-11-14 53 172 1544.83 107.6340 64.64 42.9940 0.625779 3.245283 8.981570 1.219623 2.030830
14 2024-11-15 60 170 2230.47 147.2729 90.80 56.4729 0.866311 2.833333 13.120412 1.513333 2.454548
15 2024-11-16 51 170 2051.63 140.4863 87.71 52.7763 0.826390 3.333333 12.068412 1.719804 2.754633
16 2024-11-17 62 229 2249.57 137.2043 85.42 51.7843 0.599145 3.693548 9.823450 1.377742 2.212973
17 2024-11-18 61 195 2330.68 154.8256 96.40 58.4256 0.793977 3.196721 11.952205 1.580328 2.538125
18 2024-11-19 42 169 3389.57 188.1850 118.02 70.1650 1.113521 4.023810 20.056627 2.810000 4.480595
19 2024-11-20 22 60 1304.38 91.3000 57.17 34.1300 1.521667 2.727273 21.739667 2.598636 4.150000
20 2024-11-21 23 42 627.64 41.7000 25.59 16.1100 0.992857 1.826087 14.943810 1.112609 1.813043
21 2024-11-22 55 182 2702.64 171.8356 100.45 71.3856 0.944152 3.309091 14.849670 1.826364 3.124284
22 2024-11-23 50 126 935.73 63.5326 38.90 24.6326 0.504227 2.520000 7.426429 0.778000 1.270652
23 2024-11-24 39 110 1088.50 65.2286 41.02 24.2086 0.592987 2.820513 9.895455 1.051795 1.672528
24 2024-11-25 52 177 1858.45 118.7942 75.69 43.1042 0.671154 3.403846 10.499718 1.455577 2.284504
25 2024-11-26 47 136 2288.33 147.6982 91.50 56.1982 1.086016 2.893617 16.825956 1.946809 3.142515
26 2024-11-27 50 170 1805.18 116.4543 71.65 44.8043 0.685025 3.400000 10.618706 1.433000 2.329086
27 2024-11-28 51 180 2729.20 182.9670 113.25 69.7170 1.016483 3.529412 15.162222 2.220588 3.587588
28 2024-11-29 57 176 2377.06 152.0656 94.64 57.4256 0.864009 3.087719 13.506023 1.660351 2.667818
29 2024-11-30 59 226 2976.12 160.1995 98.87 61.3295 0.708847 3.830508 13.168673 1.675763 2.715246
30 2024-12-01 41 121 1582.17 80.0971 48.15 31.9471 0.661960 2.951220 13.075785 1.174390 1.953588
31 2024-12-02 62 171 2966.18 184.8400 119.41 65.4300 1.080936 2.758065 17.346082 1.925968 2.981290
32 2024-12-03 66 316 3703.49 261.0138 154.60 106.4138 0.825993 4.787879 11.719905 2.342424 3.954755
33 2024-12-04 51 176 1525.15 102.0900 63.88 38.2100 0.580057 3.450980 8.665625 1.252549 2.001765
In [363]:
df_reactivated_grouped['avg_purchase_value'].mean()
Out[363]:
0.8553155422693444
  • Средний доход с одного заказа у реактивированных юзеров- 0.85 USD
  • Аналогичный показатель у новых юзеров-0.96 USD
  • Аналогичный показатель по всем пользователям- 0.82 USD
In [367]:
df_reactivated_grouped['avg_purchase_frequency_rate'].mean()
Out[367]:
3.4451775939799845
  • Средняя частота заказов по реактивированным пользователям- 3.44 заказа на одного пользователя
  • Аналогичный показатель у новых юзеров- 3.14 заказа на одного пользователя
  • Аналогичный показатель по всем пользователям- 3.91 заказа на одного пользователя
In [368]:
df_reactivated_grouped['customer_value '].mean()
Out[368]:
2.8796629356619583
  • Средняя ценность одного реактивированного юзера в день- 2.88 USD
  • Аналогичный показатель у новых юзеров- 3.05 USD
  • Аналогичный показатель по всем пользователям- 3.25 USD

У реактивированных неплохие показатели по среднему доходу с заказа и среднему количеству заказов на одного пользователя, однако по customer value, реактивированные чуть менее ценны в сравнении с новыми пользователями или с пользователями на этом оффере в целом. Возможно причина в низких суммах покупок, т.е. низком GMV этой группы и/или низком среднем уровне этой группы пользователей.

2023¶

In [199]:
df_2023[(df_2023['order_date']>='2023-11-01') & (df_2023['order_date']<='2023-12-04')]['user_id'].nunique()
Out[199]:
6596
  • Всего в Ноябрьской распродаже в оффере Aliexpress Int. в 2023 году приняло участие 6596 пользователей совершивших заказы.
  • В 2024 году- 5201 пользователей, на 26.8% меньше.

Процент заказов через расширение от общего трафика¶

In [210]:
df_2023['traffic_type'] = df_2023['traffic_type'].map({1: 'web', 2: 'extension', 3: 'mobile'})
In [211]:
df_2023['traffic_type'].value_counts()
Out[211]:
traffic_type
mobile       398060
extension    331256
web           73200
Name: count, dtype: int64

Также как и в 2024, в 2023 году больше всего трафика через мобильные, расширение на втором месте.

In [221]:
df_merged_2023[['month', '%_extension_orders']]
Out[221]:
month %_extension_orders
0 1 41.021773
1 2 46.372393
2 3 46.986265
3 4 49.890100
4 5 48.698517
5 6 39.091226
6 7 40.235263
7 8 39.948159
8 9 36.002355
9 10 34.167870
10 11 33.407768
11 12 40.690440
In [373]:
df_merged_2023['%_extension_orders'].median()
Out[373]:
40.4628515173149
In [374]:
sns.barplot(x=df_merged_2023['month'], y=df_merged_2023['%_extension_orders'])
plt.title('etxension traffic % out of total by month')
Out[374]:
Text(0.5, 1.0, 'etxension traffic % out of total by month')
  • Медиана использования расширения за год в 2023- 40.46% от общего трафика, что чуть меньше чем в 2024 году- 39.19%
  • Наиболее активно расширение использовалось с Января по Май, далее процент использования расширения не превышал 40%, кроме Декабря.
  • В отличии от 2024 года, здесь нельзя выделить какие-то явные пики
In [223]:
df_grouped_2023
Out[223]:
month user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value %_extension_orders
0 1 5877 67608 703485.01 44598.3318 29549.91 15048.4218 0.659661 11.503828 10.405352 5.028060 7.588622 41.021773
1 2 5470 65925 642077.07 41021.4449 27230.29 13791.1549 0.622244 12.052102 9.739508 4.978115 7.499350 46.372393
2 3 6076 79287 873952.73 55014.4512 36404.55 18609.9012 0.693865 13.049210 11.022648 5.991532 9.054386 46.986265
3 4 5454 65969 599583.39 39053.7410 25740.07 13313.6710 0.592001 12.095526 9.088866 4.719485 7.160569 49.890100
4 5 5429 67692 650864.42 42151.3327 27644.60 14506.7327 0.622693 12.468595 9.615086 5.092024 7.764106 48.698517
5 6 5294 60213 689243.34 43839.4580 28712.05 15127.4080 0.728073 11.373819 11.446753 5.423508 8.280971 39.091226
6 7 5195 59848 679347.16 44291.5128 29320.81 14970.7028 0.740067 11.520308 11.351209 5.644044 8.525796 40.235263
7 8 5241 65585 835783.68 52247.2596 34569.64 17677.6196 0.796634 12.513833 12.743519 6.596001 9.968949 39.948159
8 9 5290 62857 698229.50 45023.8921 29966.92 15056.9721 0.716291 11.882231 11.108222 5.664824 8.511133 36.002355
9 10 5171 60273 636366.69 41778.8720 27629.48 14149.3920 0.693161 11.655966 10.558072 5.343160 8.079457 34.167870
10 11 6396 98073 1129618.64 71880.9938 47051.59 24829.4038 0.732934 15.333490 11.518141 7.356409 11.238429 33.407768
11 12 4778 49186 580338.29 36738.4886 24276.44 12462.0486 0.746930 10.294265 11.798851 5.080879 7.689093 40.690440
In [168]:
data = [go.Scatter(x=df_grouped_2023['month'], y=df_grouped_2023['customer_value '], name='customer_value 2023'),
       go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['customer_value '], name='customer_value 2024')]
layout = go.Layout(barmode='stack', title= 'Customer value by month 2023-2024 Aliexpress Int.', xaxis_title='month', yaxis_title='US dollars$')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • В 2023 и в 2024 году пиковое значение по customer value приходится на Ноябрь, причём значения практически идентичны- 11.23 и 11.26.
  • В общеи и целом графики отличаются друг от друга в период с Июль по Октябрь. Частично это можно объяснить техническими проблемами с оффером Aliexpress Int. в Сентябре 2024 года. Однако спад начался уже в Августе.
  • Средний customer_value в 2023- 8.44USD на пользователя в месяц, в 2024- 7.6 USD. Скоерее всего средний customer value в 2024 был бы максимально приближен к 2023, если бы не технический сбой в Сентябре.
  • В Январе, Мае и Июне customer_value был выше в 2024.
In [167]:
data = [go.Scatter(x=df_grouped_2023['month'], y=df_grouped_2023['avg_purchase_value'], name='avg_purchase_value 2023'),
    go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['avg_purchase_value'], name='avg_purchase_value 2024')]
layout = go.Layout(barmode='stack', title= 'avg_purchase_value by month 2023-2024 Aliexpress Int.', xaxis_title='month', yaxis_title='revenue $ per order')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • По avg_purchase_value- средний ревеню с одного заказа видим, что в 2024 году по сравнению с 2023 есть положительная динамика.
  • Пиковое значение 2024- 1.02 USD в Сентябре, 2023- 0.79 в Августе.
  • Среднее значение avg_purchase_value в 2023- 0.69, в 2024- 0.81, что означает, что в среднем с одного заказа в 2024 году мы стали зарабатывать больше.
  • Средний ревеню с одного заказа не показывает сильный рост к Ноябрьской распродаже за оба года, скорее более резкий рост можно заметить перед Мартовской распродажей.
In [170]:
data = [go.Scatter(x=df_grouped_2023['month'], y=df_grouped_2023['avg_purchase_frequency_rate'], name='purchase_frequency 2023'),
    go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['avg_purchase_frequency_rate'], name='purchase_frequency 2024')]
layout = go.Layout(barmode='stack', title= 'purchase_frequency by month 2023-2024 Aliexpress Int.', xaxis_title='month', yaxis_title='orders_per_user')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • Здесь по метрике, среднее количество заказов на пользователя, можно обратить внимание, что в 2023 этот показатель стабильно выше, чем в 2024. Возможно это связано с тем, что в 2023 было больше активных пользователей по месяцам, сейчас увидим на следующем графике.
  • Среднее количество заказов на пользователя в 2023- 12.14, в 2024- 9.45
In [171]:
data = [go.Scatter(x=df_grouped_2023['month'], y=df_grouped_2023['user_count'], name='user_count 2023'),
    go.Scatter(x=df_grouped_2024['month'], y=df_grouped_2024['user_count'], name='user_count 2024')]
layout = go.Layout(barmode='stack', title= 'user_count by month 2023-2024', xaxis_title='month', yaxis_title='users_count')
fig = go.Figure(data=data, layout=layout)
fig.show()
  • Количество активных пользователей в 2023 году было стабильно выше чем в 2024
  • Среднее количество пользователей в месяц в 2023- 5472, в 2024- 3942, на 38.8% меньше.

Основные метрики за 2023-2024 год по офферу Aliexpress Int.

In [189]:
df_grouped_2023['customer_value '].mean()
Out[189]:
8.180213752125367
In [190]:
df_grouped_2024['customer_value '].mean()
Out[190]:
7.472812971837596
In [191]:
df_grouped_2023['avg_purchase_value'].mean()
Out[191]:
0.7050777648273072
In [192]:
df_grouped_2024['avg_purchase_value'].mean()
Out[192]:
0.792967914358269
In [193]:
df_grouped_2023['avg_purchase_frequency_rate'].mean()
Out[193]:
11.96716650020908
In [194]:
df_grouped_2024['avg_purchase_frequency_rate'].mean()
Out[194]:
9.801491461611164
In [182]:
df_grouped_2023['avg_purchase'].mean()
Out[182]:
10.866352275766758
In [183]:
df_grouped_2024['avg_purchase'].mean()
Out[183]:
12.579711707814027
In [185]:
df_grouped_2023['avg_user_cashback'].mean()
Out[185]:
5.576503449349789
In [186]:
df_grouped_2024['avg_user_cashback'].mean()
Out[186]:
4.967450845356287
In [187]:
df_grouped_2023['user_count'].mean()
Out[187]:
5472.583333333333
In [188]:
df_grouped_2024['user_count'].mean()
Out[188]:
3942.8333333333335
  • Принимая во внимание сбой по Aliexpress Int в Сентябре 2024 года, нужно обратить внимание, что метрики 2023 и 2024 года весьма близки друг к другу, а средний ревеню с заказа и средняя сумма покупки на одного пользователя и так выше в 2024.
  • По количество пользователей единственная значительная разница в 38.8% в пользу 2023 году.

Сгруппируем те же данные, но по дням во время Ноябрьской распродажи с 2023-11-01 по 2023-12-04, чтобы посмотреть какая была динамика по дням¶

In [199]:
df_grouped_nov_2023
Out[199]:
order_date user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 2023-11-01 592 2438 26216.49 1777.7440 1182.91 594.8340 0.729181 4.118243 10.753277 1.998159 3.002946
1 2023-11-02 559 2520 29252.59 1916.2716 1271.53 644.7416 0.760425 4.508050 11.608171 2.274651 3.428035
2 2023-11-03 519 2005 21005.58 1359.1410 890.05 469.0910 0.677876 3.863198 10.476599 1.714933 2.618769
3 2023-11-04 479 2048 22457.40 1525.0829 1012.39 512.6929 0.744669 4.275574 10.965527 2.113549 3.183889
4 2023-11-05 392 1303 11757.68 784.5350 520.74 263.7950 0.602099 3.323980 9.023546 1.328418 2.001365
5 2023-11-06 472 1901 21703.86 1472.8573 970.32 502.5373 0.774780 4.027542 11.417075 2.055763 3.120460
6 2023-11-07 470 1876 19884.34 1307.1045 870.12 436.9845 0.696751 3.991489 10.599328 1.851319 2.781073
7 2023-11-08 463 2002 20006.12 1317.4219 877.96 439.4619 0.658053 4.323974 9.993067 1.896242 2.845404
8 2023-11-09 397 2005 17117.96 1185.0003 750.85 434.1503 0.591023 5.050378 8.537636 1.891310 2.984887
9 2023-11-10 358 1494 16931.66 1199.8690 766.74 433.1290 0.803125 4.173184 11.333106 2.141732 3.351589
10 2023-11-11 1772 10694 138002.40 8401.7828 5344.34 3057.4428 0.785654 6.034989 12.904657 3.015993 4.741412
11 2023-11-12 1256 6746 72469.75 4490.0658 2906.16 1583.9058 0.665589 5.371019 10.742625 2.313822 3.574893
12 2023-11-13 1037 5390 50100.34 3191.4578 2121.31 1070.1478 0.592107 5.197686 9.295054 2.045622 3.077587
13 2023-11-14 904 4398 47084.96 2981.8632 1986.70 995.1632 0.678004 4.865044 10.705994 2.197677 3.298521
14 2023-11-15 933 4511 57992.25 3644.3850 2425.83 1218.5550 0.807888 4.834941 12.855742 2.600032 3.906093
15 2023-11-16 887 4013 59553.18 3705.2534 2444.11 1261.1434 0.923313 4.524239 14.840065 2.755479 4.177287
16 2023-11-17 956 4494 56309.40 3494.1469 2294.99 1199.1569 0.777514 4.700837 12.529907 2.400617 3.654965
17 2023-11-18 868 4383 48218.86 3145.2367 2092.52 1052.7167 0.717599 5.049539 11.001337 2.410737 3.623545
18 2023-11-19 449 1668 14858.15 913.1508 607.44 305.7108 0.547453 3.714922 8.907764 1.352873 2.033743
19 2023-11-20 442 1923 18274.51 1157.5725 766.17 391.4025 0.601962 4.350679 9.503125 1.733416 2.618942
20 2023-11-21 419 1702 14916.39 975.8979 642.85 333.0479 0.573383 4.062053 8.764036 1.534248 2.329112
21 2023-11-22 388 1397 15668.78 1103.4221 702.14 401.2821 0.789851 3.600515 11.216020 1.809639 2.843871
22 2023-11-23 857 3951 61900.30 3762.7734 2460.70 1302.0734 0.952360 4.610268 15.666996 2.871295 4.390634
23 2023-11-24 844 3618 49666.59 2968.2349 1942.93 1025.3049 0.820408 4.286730 13.727637 2.302050 3.516866
24 2023-11-25 703 2800 32140.58 2043.8839 1314.64 729.2439 0.729959 3.982930 11.478779 1.870043 2.907374
25 2023-11-26 748 2747 27327.43 1775.3034 1124.52 650.7834 0.646270 3.672460 9.948100 1.503369 2.373400
26 2023-11-27 739 3300 40838.19 2686.9941 1788.71 898.2841 0.814241 4.465494 12.375209 2.420447 3.635987
27 2023-11-28 704 3009 33251.68 2103.8334 1384.80 719.0334 0.699180 4.274148 11.050741 1.967045 2.988400
28 2023-11-29 905 3903 40426.15 2628.8506 1725.81 903.0406 0.673546 4.312707 10.357712 1.906972 2.904807
29 2023-11-30 904 3834 44285.07 2861.8577 1861.31 1000.5477 0.746442 4.241150 11.550618 2.058971 3.165772
30 2023-12-01 439 1575 19587.30 1281.7969 849.79 432.0069 0.813839 3.587699 12.436381 1.935740 2.919811
31 2023-12-02 406 1387 13021.53 849.4915 553.83 295.6615 0.612467 3.416256 9.388270 1.364113 2.092344
32 2023-12-03 391 1345 11118.85 733.8585 478.78 255.0785 0.545620 3.439898 8.266803 1.224501 1.876876
33 2023-12-04 457 1936 20871.47 1366.2389 907.95 458.2889 0.705702 4.236324 10.780718 1.986761 2.989582

Сравним метрики 2023 и 2024 отдельно за время Ноябрьских рапродаж

In [197]:
df_grouped_nov_2023['customer_value '].mean()
Out[197]:
3.0870659634391338
In [198]:
df_grouped_nov_2024['customer_value '].mean()
Out[198]:
3.25048700120043
In [200]:
df_grouped_nov_2023['avg_purchase_value'].mean()
Out[200]:
0.7134803555602464
In [201]:
df_grouped_nov_2024['avg_purchase_value'].mean()
Out[201]:
0.8245389216618724
In [202]:
df_grouped_nov_2023['avg_purchase_frequency_rate'].mean()
Out[202]:
4.308474727048903
In [203]:
df_grouped_nov_2024['avg_purchase_frequency_rate'].mean()
Out[203]:
3.9154669290678035
In [204]:
df_grouped_nov_2023['avg_purchase'].mean()
Out[204]:
11.029459390786267
In [205]:
df_grouped_nov_2024['avg_purchase'].mean()
Out[205]:
12.669058470814145
In [206]:
df_grouped_nov_2023['avg_user_cashback'].mean()
Out[206]:
2.02492765808567
In [208]:
df_grouped_nov_2024['avg_user_cashback'].mean()
Out[208]:
2.0993557764665214
In [209]:
df_grouped_nov_2023['user_count'].mean()
Out[209]:
679.6764705882352
In [210]:
df_grouped_nov_2024['user_count'].mean()
Out[210]:
547.6176470588235
  • При сравнении периода Ноябрьских распродаж интересно, что наша основная метрика customer value выше в 2024 году на 5.5% в оффере Aliexpress Int.
  • Также выше в 2024 году такие показатели как, средний ревеню с заказа, средняя сумма покупки на пользователя, средний кэшбек на пользователя.
  • В 2023 году более высокие показатели у метрики по среднему количеству заказов на пользователя и по количеству активных пользователей.

Доля новых юзеров и их поведение¶

In [262]:
df_2023[(df_2023['reg_date'] >= '2023-11-01') & (df_2023['reg_date'] <= '2023-12-04')]['user_id'].nunique()
Out[262]:
267
In [263]:
267 / 6596 * 100
Out[263]:
4.0479078229229835
  • В 2023 году во время Ноябрьской распродаже, в оффере Aliexpress Int. новые пользователи составили 4% от общего числа пользователей, кто совершил заказы.
  • В 2024 новые пользователи составляли 16.7% от общего числа.

Поведение новых пользователей¶

In [272]:
df_new_users_nov_2023
Out[272]:
order_date user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 2023-11-02 2 6 24.01 1.5900 0.80 0.7900 0.265000 3.000000 4.001667 0.400000 0.795000
1 2023-11-03 3 6 1035.64 52.7200 24.92 27.8000 8.786667 2.000000 172.606667 8.306667 17.573333
2 2023-11-04 2 3 163.82 11.4500 5.35 6.1000 3.816667 1.500000 54.606667 2.675000 5.725000
3 2023-11-05 3 7 41.42 2.9700 1.37 1.6000 0.424286 2.333333 5.917143 0.456667 0.990000
4 2023-11-06 4 30 113.97 7.7800 3.63 4.1500 0.259333 7.500000 3.799000 0.907500 1.945000
5 2023-11-07 9 133 264.03 16.6500 7.80 8.8500 0.125188 14.777778 1.985188 0.866667 1.850000
6 2023-11-08 8 60 244.97 17.0100 8.59 8.4200 0.283500 7.500000 4.082833 1.073750 2.126250
7 2023-11-09 9 169 237.49 16.2500 7.34 8.9100 0.096154 18.777778 1.405266 0.815556 1.805556
8 2023-11-10 7 33 208.12 13.8400 7.14 6.7000 0.419394 4.714286 6.306667 1.020000 1.977143
9 2023-11-11 42 271 1545.93 101.4000 48.18 53.2200 0.374170 6.452381 5.704539 1.147143 2.414286
10 2023-11-12 30 248 788.65 52.2536 24.44 27.8136 0.210700 8.266667 3.180040 0.814667 1.741787
11 2023-11-13 24 236 619.56 44.1305 19.39 24.7405 0.186994 9.833333 2.625254 0.807917 1.838771
12 2023-11-14 20 230 1180.46 80.3700 40.63 39.7400 0.349435 11.500000 5.132435 2.031500 4.018500
13 2023-11-15 30 287 830.85 48.4500 24.20 24.2500 0.168815 9.566667 2.894948 0.806667 1.615000
14 2023-11-16 20 265 1108.26 73.9000 34.68 39.2200 0.278868 13.250000 4.182113 1.734000 3.695000
15 2023-11-17 17 237 1085.12 60.7800 29.11 31.6700 0.256456 13.941176 4.578565 1.712353 3.575294
16 2023-11-18 16 253 402.05 25.9200 12.25 13.6700 0.102451 15.812500 1.589130 0.765625 1.620000
17 2023-11-19 7 186 124.78 7.9900 2.60 5.3900 0.042957 26.571429 0.670860 0.371429 1.141429
18 2023-11-20 12 211 437.31 29.6200 12.64 16.9800 0.140379 17.583333 2.072559 1.053333 2.468333
19 2023-11-21 9 192 349.07 22.7994 9.95 12.8494 0.118747 21.333333 1.818073 1.105556 2.533267
20 2023-11-22 9 27 237.57 17.3100 8.39 8.9200 0.641111 3.000000 8.798889 0.932222 1.923333
21 2023-11-23 24 80 972.17 67.5200 32.10 35.4200 0.844000 3.333333 12.152125 1.337500 2.813333
22 2023-11-24 24 94 776.45 50.7336 25.08 25.6536 0.539719 3.916667 8.260106 1.045000 2.113900
23 2023-11-25 15 33 167.69 11.5700 5.35 6.2200 0.350606 2.200000 5.081515 0.356667 0.771333
24 2023-11-26 23 68 566.73 35.7400 17.47 18.2700 0.525588 2.956522 8.334265 0.759565 1.553913
25 2023-11-27 12 30 203.23 14.4200 6.86 7.5600 0.480667 2.500000 6.774333 0.571667 1.201667
26 2023-11-28 11 84 1119.82 74.1200 37.98 36.1400 0.882381 7.636364 13.331190 3.452727 6.738182
27 2023-11-29 16 156 665.56 45.9900 23.11 22.8800 0.294808 9.750000 4.266410 1.444375 2.874375
28 2023-11-30 20 109 889.37 60.2900 30.42 29.8700 0.553119 5.450000 8.159358 1.521000 3.014500
29 2023-12-01 17 41 453.95 31.6600 16.11 15.5500 0.772195 2.411765 11.071951 0.947647 1.862353
30 2023-12-02 11 127 419.07 26.7700 12.71 14.0600 0.210787 11.545455 3.299764 1.155455 2.433636
31 2023-12-03 10 153 374.51 25.3300 12.65 12.6800 0.165556 15.300000 2.447778 1.265000 2.533000
32 2023-12-04 11 57 338.62 19.5100 10.38 9.1300 0.342281 5.181818 5.940702 0.943636 1.773636
In [212]:
df_new_users_nov_2023['customer_value '].mean()
Out[212]:
2.8198821165505774
  • Средня ценность одного нового юзера в 2023- 2.81 USD
  • Аналогичный показатель в общем по всем пользователям в 2023- 3.08 USD
In [213]:
df_new_users_nov_2023['avg_purchase_value'].mean()
Out[213]:
0.7063326295389718
  • Средний ревеню с одного заказа одного нового юзера в 2023- 0.7 USD
  • Аналогичный показатель в общем по всем пользователям в 2023- 0.71 USD
In [214]:
df_new_users_nov_2023['avg_purchase_frequency_rate'].mean()
Out[214]:
8.830179295138027
  • Среднее количество заказов одного нового юзера в 2023- 8.83
  • Аналогичный показатель в общем по всем пользователям в 2023- 4.3

В 2023 году в оффере Aliexpress Int. новые пользователи по показателям не уступают общим показателям по пользователям, а по количеству заказов на одного пользователя, новые превосходят почти в два раза.

Влияние кэшбек ссылок¶

In [215]:
df_2023[df_2023['cashback_link_count'] >= 50]['user_id'].drop_duplicates()
Out[215]:
136        118119
140       2698085
142       1462568
171         32558
303         25794
           ...   
720283    1058008
728090     126200
728880    3061279
764875     191729
790718    1948844
Name: user_id, Length: 213, dtype: int64

Всего 213 крупных создателей кэшбек ссылок, более 50 ссылок

In [280]:
df_2023[df_2023['cashback_link_count'].notna()]['user_id'].nunique()
Out[280]:
3622

Всего создателей кб ссылок на оффере Aliexpress Int.- 3622

In [281]:
df_2023[(df_2023['cashback_link_count'].notna()) & (df_2023['order_date']>= '2023-11-01') 
        & (df_2023['order_date']<= '2023-12-04')]['user_id'].nunique()
Out[281]:
2004
In [57]:
2004 / 3622 * 100
Out[57]:
55.32854776366648
  • 55.3% пользователей, создателей кб ссылок, от общего числа в 2023 году, учавствовали в Ноябрьской распродаже
  • В 2024- 51.8%
In [282]:
df_grouped_cb_link_2023 = df_2023[df_2023['cashback_link_count'].notna()].groupby(['month']).agg(user_count = ('user_id', 'nunique'), order_count = ('order_number', 'nunique'), 
                               GMV_sum = ('GMV', 'sum'), revenue_sum = ('Revenue', 'sum'), 
                               user_com_sum = ('users_comission', 'sum')).reset_index()
In [283]:
df_grouped_cb_link_2023
Out[283]:
month user_count order_count GMV_sum revenue_sum user_com_sum
0 1 1825 24630 269435.84 16750.1267 11201.22
1 2 1678 24097 252058.20 15544.1622 10396.27
2 3 1889 28799 311380.81 19079.2014 12704.55
3 4 1696 26607 233427.03 15142.1985 10103.48
4 5 1726 28864 268424.31 17121.4943 11286.16
5 6 1650 24047 289006.62 18242.3530 11899.79
6 7 1625 26190 303794.82 19714.5188 13110.60
7 8 1658 30433 387665.44 23739.9515 15943.00
8 9 1665 28331 325270.97 20669.6680 14022.45
9 10 1601 26682 282555.45 18627.2193 12555.74
10 11 1960 46767 497745.80 31265.4596 20842.87
11 12 1495 21896 251114.23 16050.4259 10827.01
In [284]:
df_grouped_cb_link_2023['revenue_sum'].sum() / df_grouped_2023['revenue_sum'].sum() * 100
Out[284]:
41.594374745631605
  • По ревеню создатели кб ссылок в общем составили 41.59% от общего ревеню в 2023 году.
  • В 2024- 38.9%

Реактивированные¶

In [216]:
df_reactivated_2023
Out[216]:
id date user_id order_number order_status GMV Revenue offer_id traffic_type country user_status
0 1207611460 2023-01-01 2175790 5095020934464829 completed 16.37 0.6136 28728 2 None reactivated
1 1207611462 2023-01-01 2175790 5095020934424829 completed 4.34 0.0975 28728 2 None reactivated
2 1207611463 2023-01-01 2175790 5095020934404829 completed 53.66 3.0660 28728 2 None reactivated
3 1207611464 2023-01-01 2175790 5095020934394829 completed 39.64 2.2651 28728 2 None reactivated
4 1207611592 2023-01-01 800601 8160713511228104 completed 6.26 0.4000 463 3 None reactivated
... ... ... ... ... ... ... ... ... ... ... ...
170384 1210440694 2023-12-31 526730 5293804439164071 completed 1.76 0.1337 28728 3 None reactivated
170385 1210445021 2023-12-31 2000822 5294102661345862 completed 9.50 0.2715 28728 3 None reactivated
170386 1210587184 2023-12-31 71461 20411622640_c rejected 0.09 0.0100 797 1 None reactivated
170387 1210587207 2023-12-31 288802 20411645516_c completed 3.66 0.3662 797 1 None reactivated
170388 1210587208 2023-12-31 288802 20411614202_c completed 0.10 0.0100 797 1 None reactivated

170389 rows × 11 columns

In [288]:
df_2023_nov = df_2023[(df_2023['order_date']>='2023-11-01') & (df_2023['order_date']<='2023-12-04')]
In [289]:
df_2023_nov[df_2023_nov['user_id'].isin(df_reactivated_2023['user_id'])]['user_id'].nunique()
Out[289]:
1002
  • 1002 из 4216, т.е. 23% реактивировавшихся в период с 2023-11-01 по 2023-12-04, приняли участие в Ноябрьской распродаже на оффере Aliexpress Int.
  • В 2024 году приняли участие в Ноябрьской распродаже 18% от общего числа реактивировавшихся

Посмотрим активность реактивированных по тем же метрикам в течении периода распродаж.

In [297]:
df_reactivated_grouped_2023
Out[297]:
order_date user_count order_count GMV_sum revenue_sum user_com_sum gross_profit avg_purchase_value avg_purchase_frequency_rate avg_purchase avg_user_cashback customer_value
0 2023-11-01 61 205 2644.46 183.3800 122.50 60.8800 0.894537 3.360656 12.899805 2.008197 3.006230
1 2023-11-02 48 160 1331.90 91.5300 59.64 31.8900 0.572063 3.333333 8.324375 1.242500 1.906875
2 2023-11-03 51 180 2565.07 134.9600 92.17 42.7900 0.749778 3.529412 14.250389 1.807255 2.646275
3 2023-11-04 54 185 1786.95 122.8338 79.24 43.5938 0.663966 3.425926 9.659189 1.467407 2.274700
4 2023-11-05 51 118 825.77 56.3938 36.56 19.8338 0.477914 2.313725 6.998051 0.716863 1.105761
5 2023-11-06 47 173 2137.47 139.0487 91.18 47.8687 0.803750 3.680851 12.355318 1.940000 2.958483
6 2023-11-07 55 157 3318.89 180.6200 120.15 60.4700 1.150446 2.854545 21.139427 2.184545 3.284000
7 2023-11-08 49 154 1716.36 109.9502 72.16 37.7902 0.713962 3.142857 11.145195 1.472653 2.243882
8 2023-11-09 46 148 1212.34 82.7000 56.26 26.4400 0.558784 3.217391 8.191486 1.223043 1.797826
9 2023-11-10 41 125 1903.40 133.0600 89.06 44.0000 1.064480 3.048780 15.227200 2.172195 3.245366
10 2023-11-11 240 1012 12648.86 766.6152 469.45 297.1652 0.757525 4.216667 12.498874 1.956042 3.194230
11 2023-11-12 132 519 5070.96 326.9062 204.16 122.7462 0.629877 3.931818 9.770636 1.546667 2.476562
12 2023-11-13 112 442 3064.49 209.9300 137.80 72.1300 0.474955 3.946429 6.933235 1.230357 1.874375
13 2023-11-14 106 381 3718.59 251.6549 156.54 95.1149 0.660512 3.594340 9.760079 1.476792 2.374103
14 2023-11-15 99 308 4941.16 324.5100 210.99 113.5200 1.053604 3.111111 16.042727 2.131212 3.277879
15 2023-11-16 101 332 3723.07 214.2185 140.74 73.4785 0.645236 3.287129 11.214066 1.393465 2.120975
16 2023-11-17 118 434 5437.32 353.7098 227.94 125.7698 0.815000 3.677966 12.528387 1.931695 2.997541
17 2023-11-18 95 439 3608.13 238.3500 155.18 83.1700 0.542938 4.621053 8.218975 1.633474 2.508947
18 2023-11-19 58 173 1014.28 69.5028 44.41 25.0928 0.401750 2.982759 5.862890 0.765690 1.198324
19 2023-11-20 59 171 2371.92 163.6500 110.48 53.1700 0.957018 2.898305 13.870877 1.872542 2.773729
20 2023-11-21 56 228 2219.16 152.7000 100.55 52.1500 0.669737 4.071429 9.733158 1.795536 2.726786
21 2023-11-22 43 183 1987.99 135.9400 91.18 44.7600 0.742842 4.255814 10.863333 2.120465 3.161395
22 2023-11-23 104 447 8146.40 437.6089 281.45 156.1589 0.978991 4.298077 18.224609 2.706250 4.207778
23 2023-11-24 97 314 4811.08 281.9800 186.04 95.9400 0.898025 3.237113 15.321911 1.917938 2.907010
24 2023-11-25 76 322 3027.45 197.2920 124.19 73.1020 0.612708 4.236842 9.402019 1.634079 2.595947
25 2023-11-26 82 290 2523.14 169.0146 107.71 61.3046 0.582809 3.536585 8.700483 1.313537 2.061154
26 2023-11-27 85 288 2647.78 174.6477 111.88 62.7677 0.606416 3.388235 9.193681 1.316235 2.054679
27 2023-11-28 88 381 5194.97 292.2500 193.83 98.4200 0.767060 4.329545 13.635092 2.202614 3.321023
28 2023-11-29 99 416 4117.39 281.5628 184.19 97.3728 0.676834 4.202020 9.897572 1.860505 2.844069
29 2023-11-30 105 341 4171.96 236.0200 149.98 86.0400 0.692141 3.247619 12.234487 1.428381 2.247810
30 2023-12-01 54 163 1195.90 82.7727 52.06 30.7127 0.507808 3.018519 7.336810 0.964074 1.532828
31 2023-12-02 37 92 1264.33 85.1200 53.40 31.7200 0.925217 2.486486 13.742717 1.443243 2.300541
32 2023-12-03 50 175 1539.47 86.9674 56.29 30.6774 0.496957 3.500000 8.796971 1.125800 1.739348
33 2023-12-04 43 265 2012.65 137.6900 91.37 46.3200 0.519585 6.162791 7.594906 2.124884 3.202093
In [218]:
df_reactivated_grouped_2023['avg_purchase_value'].mean()
Out[218]:
0.7136830015944523
  • Средний доход с одного заказа у реактивированных юзеров- 0.71 USD
  • Аналогичный показатель у новых юзеров-0.7 USD
  • Аналогичный показатель по всем пользователям- 0.71 USD
In [219]:
df_reactivated_grouped_2023['avg_purchase_frequency_rate'].mean()
Out[219]:
3.5925332068427105
  • Средняя частота заказов по реактивированным пользователям- 3.59 заказа на одного пользователя
  • Аналогичный показатель у новых юзеров- 8.8 заказа на одного пользователя
  • Аналогичный показатель по всем пользователям- 4.3 заказа на одного пользователя
In [220]:
df_reactivated_grouped_2023['customer_value '].mean()
Out[220]:
2.5343682566475447
  • Средняя ценность одного реактивированного юзера в день- 2.53 USD
  • Аналогичный показатель у новых юзеров- 2.8 USD
  • Аналогичный показатель по всем пользователям- 3.08 USD